机器学习小实战（一）信用卡欺诈检测-逻辑回归的二分类

ゝ一世哀愁。 2021-09-27 05:58 279阅读 0赞

逻辑回归是一种经典的**二分类**算法，一般拿到分类任务时，会先用逻辑回归来试一下。

逻辑回归简单地讲，就是采用某种非线性/线性公式，计算出0-1之间的值，设置一个阈值，再进行分类

![70][]

**目录**

一、读取数据，先了解一下

二、数据预处理

2.1  计算正常样本和异常样本的比例：pd.value\_counts

2.2 Amount 这列的数据标准化

三、建立模型

3.1 下采样方式进行模型训练

1. 下采样，获得正反例数目均衡的样本，用作模型训练

2. 将数据分训练集、测试集

3. 实例化模型

3.2 过采样方式创建模型

1. SMOTE算法原理

2. 安装imblearn库：pip install imblearn

3. 程序

四、模型评估方法

4.1 精度

4.2  召回率

4.3 混淆矩阵

4.4 代码

4.5 阈值对预测结果的影响

--------------------

# 一、读取数据，先了解一下 #

# 数据处理3大件
    import numpy as np
    import pandas as pd
    import matplotlib.pyplot as plt

data=pd.read_csv('creditcard.csv')
    print(data.shape) #(284807, 31)
    print(data.describe())
    data.head()  #和print(data.head()) 的效果不一样

![70 1][]![70 2][]

1. 这个文件中，第一列是时间（独一无二，像主关键字），v1-v28是属性

2. Amount这一列的值和其他不太一样，可能需要预处理

3. class表示样本类别，0-正例，1-反例，正例反例的数目差异对预测十分重要

# 二、数据预处理 #

## **2.1  计算正常样本和异常样本的比例：pd.value\_counts** ##

count_classes=pd.value_counts(data['Class'],sort='True').sort_index() 
    print(count_classes)
    count_classes.plot(kind='bar')
    plt.title('Fraud class histogram')
    plt.xlabel('class')
    plt.ylabel('frequency')

![70 3][]

结论：正反例的数目很不均衡，训练的时候有两种方式，下采样（取同样少的正例）/过采样（让反例数目和反例一样多）

## **2.2 Amount 这列的数据标准化** ##

由于取值的大小对训练也是有影响的，所以有这个处理的必要，但是并不是说一定要标准化，有可能不标准化，反而更符合实际情况呢，这个是后话，我们接下来看一下应该要怎么样进行标准化。顺便把与建模没有关系的time那一列删掉。

from sklearn.preprocessing import StandardScaler
    data['normAmount']=StandardScaler().fit_transform(data['Amount'].values.reshape(-1,1)) 
    data=data.drop(['Time','Amount'],axis=1)
    data.head()

![70 4][]

注意：要在series后面加**values.r**eshape()，否则会报错！原视频中的代码是没有的，这点注意一下

## ##

# 三、建立模型 #

## 3.1 下采样方式进行模型训练 ##

### 1. 下采样，获得正反例数目均衡的样本，用作模型训练 ###

# 下采样：以浪费样本为代价
    # 如果不下采样，X-y如下：
    X=data.loc[:,data.columns !='Class']
    y=data.loc[:,data.columns =='Class']
    
    # 下采样
    number_records_fraud=len(data[data['Class']==1]) #计算异常样本的数目
    fraud_indices=np.array(data[data.Class==1].index) #取出异常样本所在位置的索引值，<class 'numpy.ndarray'>
    normal_indices=data[data.Class==0].index  # 取出正常样本所在位置的索引值#<class 'pandas.core.indexes.numeric.Int64Index'>
    
    #从正常样本中随机取出异常样本数目的样本
    random_normal_indices=np.random.choice(normal_indices, number_records_fraud,replace=False) 
    random_normal_indices=np.array(random_normal_indices) #转换成为ndarray类型，虽然我也不知道为什么中间有个过度的类型
    
    under_sample_indices=np.concatenate([fraud_indices,random_normal_indices]) #正常样本与异常样本所在索引
    under_sample_data=data.iloc[under_sample_indices,:] #通过索引取出训练样本
    X_under_sample=under_sample_data.iloc[:,under_sample_data.columns !='Class'] #train_data
    Y_under_sample=under_sample_data.iloc[:,under_sample_data.columns =='Class'] #train_target

### 2. 将数据分训练集、测试集 ###

# 构造训练集和测试集
    from sklearn.cross_validation import train_test_split
    
    # 为了对比下采样与不处理构建模型的差异
    X_train,X_test,y_train,y_test=train_test_split(X,y,test_size=0.3,random_state=0) #测试数据占30%，指定随机方式有利于复现
    X_train_undersample,X_tes_undersamplet,y_train_undersample,y_test_undersample=train_test_split(X_under_sample,Y_under_sample,test_size=0.3,random_state=0)

### 3. 实例化模型 ###

（交叉验证-实例化模型-带入数据训练模型-评价模型（score））

交叉验证还可以对比不同参数的效果，从而选出最合适的参数。本例中的c是正则化惩罚项，用途就是在recall\_score差不多的情况下，选出更好的一组参数，这组参数的特点是浮动差异小，泛化能力更强，没那么容易过拟合。

#使用逻辑回归进行建模操作
    from sklearn.linear_model import LogisticRegression
    from sklearn.cross_validation import KFold,cross_val_score
    from sklearn.metrics import confusion_matrix,recall_score,classification_report

def print_kfold_scores(x_train_data, y_train_data):
        fold=KFold(len(y_train_data),5,shuffle=False) #数据数目，交叉折叠次数5次，不进行洗牌
    
        c_param_range=[0.01,0.1,1,10,100]#待选的模型参数
        # 新建一个dataFrame类型（csv，就像一个表格），列名是参数取值、平均召回率
        result_table=pd.DataFrame(index=range(len(c_param_range),2),columns=['C_parameter','Mean recall score'])
        result_table['C_parameter']=c_param_range
    
        j=0
        for c_param in c_param_range: # 将待选参数一个一个进行模型训练，并分别计算对应的召回率
            print('==========================')
            print('C parameter:',c_param)
            # print('C parameter:' + str(c_param))
            print('--------------------------')
    
            recall_accs=[]
            for iteration,indices in enumerate(fold,start=1): #和交叉验证有关
                lr=LogisticRegression(C=c_param,penalty='l1') #实例化逻辑回归模型
                lr.fit(x_train_data.iloc[indices[0],:],y_train_data.iloc[indices[0],:].values.ravel())#将数据带入训练
                y_pred_undersample=lr.predict(x_train_data.iloc[indices[1],:].values) #预测结果
                recall_acc=recall_score(y_train_data.iloc[indices[1],:].values,y_pred_undersample) #召回率
                recall_accs.append(recall_acc) 
                print('Iteration',iteration,': recall score =',recall_acc) # 交叉验证的折叠次数为5，有5次小结果
            
            result_table.loc[j,'Mean recall score']=np.mean(recall_accs) #计算该参数对应的平均召回率
            j+=1
            print('')
            print('Mean recall score',np.mean(recall_accs))
            print('')
            
        best_c = result_table.iloc[result_table['Mean recall score'].astype('float64').idxmax()]['C_parameter']
        
        print('**************************************')
        print('best model to choose from cross validation is with C parameter = ',best_c)
        print('**************************************')
        
        return best_c
    
    best_c=print_kfold_scores(X_train_undersample,y_train_undersample)

注意：和学习视频中的代码有一些不同，best\_c的求解那一行，如果不加上astype('float64')进行类型转换，会报错：reduction operation 'argmax' not allowed for this dtype

结果：

==========================
    C parameter: 0.01
    --------------------------
    Iteration 1 : recall score = 0.958904109589041
    Iteration 2 : recall score = 0.9178082191780822
    Iteration 3 : recall score = 1.0
    Iteration 4 : recall score = 0.9594594594594594
    Iteration 5 : recall score = 0.9848484848484849
    
    Mean recall score 0.9642040546150135
    
    ==========================
    C parameter: 0.1
    --------------------------
    Iteration 1 : recall score = 0.8356164383561644
    Iteration 2 : recall score = 0.863013698630137
    Iteration 3 : recall score = 0.9491525423728814
    Iteration 4 : recall score = 0.9324324324324325
    Iteration 5 : recall score = 0.8939393939393939
    
    Mean recall score 0.8948309011462019
    
    ==========================
    C parameter: 1
    --------------------------
    Iteration 1 : recall score = 0.8493150684931506
    Iteration 2 : recall score = 0.8767123287671232
    Iteration 3 : recall score = 0.9661016949152542
    Iteration 4 : recall score = 0.9459459459459459
    Iteration 5 : recall score = 0.8939393939393939
    
    Mean recall score 0.9064028864121736
    
    ==========================
    C parameter: 10
    --------------------------
    Iteration 1 : recall score = 0.8493150684931506
    Iteration 2 : recall score = 0.8767123287671232
    Iteration 3 : recall score = 0.9661016949152542
    Iteration 4 : recall score = 0.9459459459459459
    Iteration 5 : recall score = 0.8787878787878788
    
    Mean recall score 0.9033725833818705
    
    ==========================
    C parameter: 100
    --------------------------
    Iteration 1 : recall score = 0.863013698630137
    Iteration 2 : recall score = 0.8767123287671232
    Iteration 3 : recall score = 0.9830508474576272
    Iteration 4 : recall score = 0.9459459459459459
    Iteration 5 : recall score = 0.8787878787878788
    
    Mean recall score 0.9095021399177424
    
    **************************************
    best model to choose from cross validation is with C parameter =  0.01
    **************************************

## 3.2 过采样方式创建模型 ##

### 1. SMOTE算法原理 ###

过采样涉及数据生成操作，SMOTE算法原理：

（1）对于少数类中的每一个样本，计算它到少数类样本集中所有样本的欧氏距离，得到其k近邻。

（2）根据样本的不平衡比例设置一个采样比例以确定采样倍率N。对于每一个少数类样本x，从其k近邻中随机选择若干个样本，假设选择的近邻为xn。

（3）对每个随机选出的近邻xn，分别与原样本按如下公式构建新样本：![x\_\{new\}=x+rand(0,1)\\times (x\\tilde\{~\}-x)][x_new_x_rand_0_1_times _x_tilde_-x]

### 2. 安装imblearn库：pip install imblearn ###

### 3. 程序 ###

from imblearn.over_sampling import SMOTE
    from sklearn.ensemble import RandomForestClassifier
    from sklearn.metrics import confusion_matrix
    from sklearn.model_selection import train_test_split
    
    # 读入文件，将数据分成features-labels两部分
    credit_cards=pd.read_csv('creditcard.csv')
    columns=credit_cards.columns
    features_columns=columns.delete(len(columns)-1) #将倒数第二列的class删去，剩下的就全是可用于训练的特征了
    features=credit_cards[features_columns] #将csv中除了class这列的其他数据全部取出，作为特征（为啥不直接用drop呢）
    labels=credit_cards['Class']
    
    # 划分训练集、测试集
    features_train,features_test,labels_train,labels_test=train_test_split(features,labels,test_size=0.2,random_state=0)
    
    # 过采样
    oversample=SMOTE(random_state=0) #算法实例化
    os_features,os_labels=oversample.fit_sample(features_train,labels_train) #参数带入
    #len(os_labels[os_labels==1])
    
    # 转换成能被逻辑回归模型接受的数据类型
    os_features=pd.DataFrame(os_features)
    os_labels=pd.DataFrame(os_labels)
    
    # 带入前面写好的逻辑回归模型
    best_c=print_kfold_scores(os_features,os_labels)

结果：由于现在的数据总量已经达到40w+，所以计算需要一定时间

==========================
    C parameter: 0.01
    --------------------------
    Iteration 1 : recall score = 0.8903225806451613
    Iteration 2 : recall score = 0.8947368421052632
    Iteration 3 : recall score = 0.968861347792409
    Iteration 4 : recall score = 0.9518031237291302
    Iteration 5 : recall score = 0.9584308811729921
    
    Mean recall score 0.9328309550889913
    
    ==========================
    C parameter: 0.1
    --------------------------
    Iteration 1 : recall score = 0.8903225806451613
    Iteration 2 : recall score = 0.8947368421052632
    Iteration 3 : recall score = 0.9703220095164324
    Iteration 4 : recall score = 0.9600575944427957
    Iteration 5 : recall score = 0.9605082379837548
    
    Mean recall score 0.9351894529386815
    
    ==========================
    C parameter: 1
    --------------------------
    Iteration 1 : recall score = 0.8903225806451613
    Iteration 2 : recall score = 0.8947368421052632
    Iteration 3 : recall score = 0.9701228283722474
    Iteration 4 : recall score = 0.9587496290434266
    Iteration 5 : recall score = 0.9603763423132302
    
    Mean recall score 0.9348616444958656
    
    ==========================
    C parameter: 10
    --------------------------
    Iteration 1 : recall score = 0.8903225806451613
    Iteration 2 : recall score = 0.8947368421052632
    Iteration 3 : recall score = 0.969768728560363
    Iteration 4 : recall score = 0.9603653510073532
    Iteration 5 : recall score = 0.9607720293248041
    
    Mean recall score 0.9351931063285889
    
    ==========================
    C parameter: 100
    --------------------------
    Iteration 1 : recall score = 0.8903225806451613
    Iteration 2 : recall score = 0.8947368421052632
    Iteration 3 : recall score = 0.970366271992918
    Iteration 4 : recall score = 0.9590903595256153
    Iteration 5 : recall score = 0.9598377683252547
    
    Mean recall score 0.9348707645188424
    
    **************************************
    best model to choose from cross validation is with C parameter =  10.0
    **************************************

# 四、模型评估方法 #

## 4.1 精度 ##

——预测正确样本数（0-0,1-1）/所有样本数

## 4.2  召回率 ##

（recall score）=TP/(TP+FN），具体含义见下表，一般作为检测类题目的评估标准

简言之，就是实际筛选出来的/本应该筛选出来的

## 4.3 混淆矩阵： ##

<table style="width:579px;"> 
 <tbody> 
  <tr> 
   <td style="width:119px;">&nbsp;</td> 
   <td style="width:253px;">正类</td> 
   <td style="width:204px;">负类</td> 
  </tr> 
  <tr> 
   <td style="width:119px;">被检测到</td> 
   <td style="width:253px;">TP：正类判断为正类</td> 
   <td style="width:204px;">FP：负类判断为正类</td> 
  </tr> 
  <tr> 
   <td style="width:119px;">未被检测到</td> 
   <td style="width:253px;">FN：正类判断为负类</td> 
   <td style="width:204px;">TN：负类判断为负类</td> 
  </tr> 
 </tbody> 
</table>

## 4.4 代码 ##

# 混淆矩阵的可视化显示，以下代码可以直接作为模板
    import itertools
    def plot_confusion_matrix(cm, classes,
                              title='Confusion matrix',
                              cmap=plt.cm.Blues):
        """
        This function prints and plots the confusion matrix.
        """
        plt.imshow(cm, interpolation='nearest', cmap=cmap)
        plt.title(title)
        plt.colorbar()
        tick_marks = np.arange(len(classes))
        plt.xticks(tick_marks, classes, rotation=0)
        plt.yticks(tick_marks, classes)
    
        thresh = cm.max() / 2.
        for i, j in itertools.product(range(cm.shape[0]), range(cm.shape[1])):
            plt.text(j, i, cm[i, j],
                     horizontalalignment="center",
                     color="white" if cm[i, j] > thresh else "black")
    
        plt.tight_layout()
        plt.ylabel('True label')
        plt.xlabel('Predicted label')

# 过采样最佳参数构造的逻辑回归模型
    lr=LogisticRegression(C=best_c,penalty='l1')
    lr.fit(X_train,y_train.values.ravel())
    y_pred_oversample=lr.predict(X_test.values)
    
    #构造混淆矩阵
    
    cnf_matrix=confusion_matrix(y_test,y_pred_oversample)
    np.set_printoptions(precision=2)
    
    print('recall metrix in the testing database:',cnf_matrix[1,1]/(cnf_matrix[0,1]+cnf_matrix[1,1]))
    class_names=[0,1]
    plt.figure()
    plot_confusion_matrix(cnf_matrix,classes=class_names,title='Confusion matrix')
    plt.show()

结果：这个是过采样的混淆矩阵，下采样差不多，就不赘述了

召回率：91/(91+56)

精度：(85284+91)/(85284+12+56+91)

![70 5][]

## 4.5 阈值对预测结果的影响 ##

就是，当结果大于多少时，我们认为这是反例（本题中）

# #阈值的影响
    # # 下采样最佳参数构造的逻辑回归模型（为了速度快一些）
    lr=LogisticRegression(C=1,penalty='l1')
    lr.fit(X_train_undersample,y_train_undersample.values.ravel())
    y_pred_undersample_proba=lr.predict_proba(X_tes_undersamplet.values)
    
    threshold=[0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9]
    plt.figure(figsize=(10,10))
    j=1
    for i in threshold:
        y_test_pred_high_recall=y_pred_undersample_proba[:,1]>i
        plt.subplot(3,3,j)
        j+=1
        
        cnf_matrix = confusion_matrix(y_test_undersample, y_test_pred_high_recall)
        np.set_printoptions(precision=2)
        print('recall metrix in the testing database:', cnf_matrix[1, 1] / (cnf_matrix[0, 1] + cnf_matrix[1, 1]))
        class_names = [0, 1]
        plot_confusion_matrix(cnf_matrix, classes=class_names, title='Threshold>%s'%i)

结果：

![70 6][]

![70 7][]

[70]: /images/20210923/b18307685112442d8b8d24ba62285d4c.png
[70 1]: https://img-blog.csdn.net/20180731161352950?watermark/2/text/aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5OTE1NTg1/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70
[70 2]: /images/20210923/01d97de0a8a24d84a3329dbf2e668965.png
[70 3]: /images/20210923/cf747992a6234b93bccaedb7785f6692.png
[70 4]: /images/20210923/87bbcfb9844c44b4a29fabf389ec712b.png
[x_new_x_rand_0_1_times _x_tilde_-x]: https://private.codecogs.com/gif.latex?x_%7Bnew%7D%3Dx&plus;rand%280%2C1%29%5Ctimes%20%28x%5Ctilde%7B~%7D-x%29
[70 5]: /images/20210923/8fd33fdafad94f83b6e8843f5c04389f.png
[70 6]: /images/20210923/98171c2f614a433986f7f1ef696d971b.png
[70 7]: /images/20210923/22fb82d565f44e9895b8a200658a6d34.png